《International Journal of Environmental Research and Public Health》：Housing, Neighborhood Context, and Soil Metals as Predictors of Model-Based Small-Area Diabetes Prevalence in a Medium-Sized City: An Explainable Spatial Machine-Learning Analysis
编辑推荐：
糖尿病患病率在不同城市邻里之间存在差异，然而环境污染、住房条件与地理可及性三者的相对预测贡献仍未得到充分刻画。研究人员采用一种可解释空间机器学习框架，对美国北卡罗来纳州格林斯伯勒市37个人口普查区分区的基于模型的小区域糖尿病患病率变异进行了分析。来自475个采
糖尿病患病率在不同城市邻里之间存在差异，然而环境污染、住房条件与地理可及性三者的相对预测贡献仍未得到充分刻画。研究人员采用一种可解释空间机器学习框架，对美国北卡罗来纳州格林斯伯勒市37个人口普查区分区的基于模型的小区域糖尿病患病率变异进行了分析。来自475个采样住宅位置的环境与邻里变量被汇总至37个人口普查区；分区患病率估计值及其95%置信区间取自CDC PLACES 2024年发布数据，因此研究结果描述的是与模型化估计值之间的关系，而非经临床确诊的糖尿病。研究在建模前基于概念性理由筛选出18个预测变量，并采用五折空间交叉验证下的随机森林（Random Forest）进行评估。主模型取得的折外R2为0.275（RMSE为4.213个百分点；MAE为3.314个百分点），约72.5%的分区间变异未被解释；在50种替代空间分区方案中，R2中位数为0.224。基于留出样本的SHAP分析显示，环境金属类变量占总绝对归因的51.12%，住房类占21.78%，地理可及性占17.69%，土壤性质占9.40%。由于金属域包含10个预测变量，而住房与地理可及性域各仅含2个预测变量，按单个预测变量平均归因计算，住房（40.04%）与地理可及性（32.52%）居前。单个预测变量的排序在不同空间分区之间不稳定，因此未被解释；高–高患病率聚类分区与其余分区之间的土壤镉和铅中位数未发现显著差异。999次置换检验表明模型性能优于置换零分布（p = 0.001）。这些生态学关联不能作为个体水平暴露效应或因果关系的证据。
本文针对美国北卡罗来纳州格林斯伯勒市开展了一项探索性生态学研究，旨在整合住宅土壤金属、土壤性质、住房条件与地理可及性信息，解释基于模型的小区域糖尿病患病率的地理变异。研究背景在于糖尿病负担在邻里尺度上呈现明显空间不均衡，而传统统计方法难以刻画环境暴露、住房与社区环境之间的复杂非线性关系；同时，已有研究较少在同一框架下同时纳入多种环境金属、土壤特性、住房变量与可及性指标，并显式考虑空间分割验证。研究人员利用475个采样住宅位置的环境测量数据，汇总至37个人口普查区，以CDC PLACES 2024发布的分区模型化糖尿病患病率为结局，构建了18预测变量的随机森林主模型，并采用五折空间交叉验证评估性能，进而借助SHAP归因、局部空间自相关分析、置换检验及多种敏感性分析刻画预测信号与空间模式。主要结论为：主模型折外R2为0.275，RMSE为4.213个百分点，MAE为3.314个百分点，约72.5%的分区间变异未被解释；SHAP总归因中环境金属占51.12%、住房占21.78%、地理可及性占17.69%、土壤性质占9.40%，但按每个预测变量平均归因则住房（40.04%）与地理可及性（32.52%）最高；50种替代空间分区下主模型R2中位数为0.224，置换检验p=0.001，表明存在超出置换零分布的预测信号；局部空间自相关识别出5个高–高聚类分区，但高–高聚类与其余分区的土壤镉、铅中位数无统计学显著差异。研究意义在于展示可解释空间机器学习用于邻里尺度健康差异探索的可行性，为地方公共卫生规划中纳入环境与邻里条件提供方法学参考，同时强调生态学关联不能推断个体暴露效应或因果关系。
研究人员采用的主要关键技术方法包括：（1）从475个非概率抽样住宅位置采集表土样品（每户5个，上层5 cm），使用X射线荧光分析仪（XRF）测定铅、镉、锌、硒、铜浓度，并辅以ICP-OES质控；（2）将位置级变量按人口普查区汇总为中位数、90百分位数和四分位距（IQR），构建43变量宽规格与18变量精简主规格；（3）采用五折空间交叉验证（每折包含7–8个地理相邻区块）评估随机森林模型，并以50种替代空间分区检验划分敏感性；（4）使用SHAP（Shapley加性解释）进行全局、域级及局部归因分析，并计算域级求和归因与按预测变量数量归一化归因；（5）应用全局Moran's I与局部Moran's I（LISA）分析空间自相关和聚类，以999次置换检验评估显著性；（6）开展999次结局置换检验、500次基于CDC PLACES置信区间的结局不确定性实现、以及无住房变量、无机场距离、添加地理趋势面等多种敏感性分析。样本队列来源为2019年格林斯伯勒招募的462户家庭（另加13户后续分析住宅），共覆盖37个人口普查区；分区结局来自CDC PLACES 2024释放数据，分区人口特征来自美国社区调查（ACS）五年估计。
研究结果部分概括如下：
3.1 分区级分析数据集特征：最终数据集包含37个人口普查区、475个采样住宅位置。模型化糖尿病患病率范围为3.30%–23.90%，均值13.76%，中位数13.60%，IQR为8.30个百分点。13个分区仅有少于5户采样家庭（共26条记录），24个分区至少5户（共449条记录）。主预测规格为18个预测变量，另有16变量和43变量规格用于比较。
3.2 环境金属空间分布：图3显示Pb、Cd、Zn、Se、Cu的分区中位数浓度存在描述性空间异质性，但该地图不建立显著暴露聚类或独立关联。
3.3 土壤与住房特征空间分布：图4显示土壤pH（4.70–6.60）、有机质（0.38–1.08）、住房年龄和应税房产价值（$40,100–$292,800）存在空间差异，仅提供描述性背景。
3.4 主模型与替代规格预测性能：主18变量随机森林折外R2=0.275，RMSE=4.213个百分点，MAE=3.314个百分点；43变量规格R2=0.295，RMSE=4.155；16变量无住房模型R2=0.202，RMSE=4.420；14变量金属与土壤模型R2=0.207，RMSE=4.406。结果表明性能对预测变量构成敏感，但不代表独立或因果效应。
3.5 最终模型诊断评估：图6显示预测值相对观测值范围压缩；平均残差?0.09个百分点，残差与预测值Spearman相关ρ=0.18（p=0.292）；绝对误差均值3.314个百分点，中位数2.37个百分点。
3.6 模型化与折外预测患病率空间分布：模型化患病率较高的分区多位于东南部，折外预测范围9.86%–19.11%，残差范围?12.61至7.61个百分点，绝对误差均值3.31个百分点，较大误差集中在特定分区。
3.7 可解释机器学习分析：全局SHAP显示中位应税房产价值贡献最高（18.18%），其次为镉IQR（15.78%）、到机场中位距离（13.65%）、铅IQR（8.74%）。域级求和归因中环境金属占51.12%、住房21.78%、地理可及性17.69%、土壤性质9.40%；按预测变量数量归一化后住房占40.04%、地理可及性32.52%、环境金属18.79%、土壤性质8.64%。局部瀑布图显示高预测分区GEOID 37081011000中镉IQR与房产价值为主要正向贡献，但该归因解释模型行为而非患病率差异原因。
3.8 稳健性与敏感性分析：50种空间分区下主模型R2中位数0.224，43变量模型0.212；主模型在34/50个分区中RMSE更低。500次结局不确定性实现得到R2中位数0.259（2.5–97.5百分位0.182–0.339）。999次置换检验p=0.001。残差全局Moran's I在Queen邻接下为0.164（p=0.066），但k近邻权重下显示正空间自相关。去除机场距离后性能几乎不变（R2=0.276）。家庭数加权模型R2=0.233，绝对误差与采样家庭数正相关（ρ=0.380，p=0.020），稀疏采样分区误差反而较低。
3.9 糖尿病患病率空间聚类：局部Moran's I识别出5个高–高聚类、2个低–低聚类和1个低–高空间异常值，高–高聚类主要位于中东部和东南部。
3.10 采样分区代表性：与未采样分区相比，采样分区家庭收入中位数更低（$50,794对$73,621）、房产价值更低（$203,450对$293,800）、租房比例更高（56.1%对36.3%）、黑人比例更高（42.3%对29.7%），提示采样代表性有限。
3.11 高–高聚类与其余分区金属比较：镉（Mann–Whitney U=83.5，p=0.894；校正p=0.894）和铅（U=59.0，p=0.374；校正p=0.747）均无显著差异。
讨论部分总结：主模型性能中等，多数分区间变异未被解释；环境金属总归因最大但受预测变量数量影响，按单个预测变量归因住房与地理可及性最高；机场距离主要代表东西向地理梯度而非机场特定暴露；高–高聚类与金属浓度无显著差异，提示不能将聚类直接解释为金属暴露热点；CDC PLACES模型化结局与住房、地理预测变量可能存在共享结构，无住房模型性能下降不能解释为独立病因效应；残差空间自相关依赖于邻接定义；生态学横断面设计、非概率采样、样本量小、缺少个体临床数据与混杂因素等限制因果推断。结论部分翻译为：本研究开发了一种可解释空间机器学习框架，用于考察北卡罗来纳州格林斯伯勒市37个人口普查区中CDC PLACES 2024模型化糖尿病患病率的地理变异。主18变量随机森林模型在五折空间交叉验证下取得折外R2=0.275，RMSE=4.213个百分点，MAE=3.314个百分点；模型虽捕获了部分分区患病率变异，但大部分变异仍未解释。预测性能对预测变量构成和空间分区方式敏感；在50种替代空间分区中，精简模型较43变量规格在配对RMSE比较中显示微弱优势。SHAP分析识别出环境金属、住房、地理可及性和土壤变量的预测贡献：环境金属总绝对归因最大（51.12%），其后依次为住房（21.78%）、地理可及性（17.69%）和土壤性质（9.40%）；按预测变量数量归一化后，住房占相对归因40.04%、地理可及性32.52%、环境金属18.79%、土壤性质8.64%。这些贡献描述模型预测而非独立或因果效应，且单个预测变量排序不稳定，不足以支持针对特定金属的论断。空间分析识别出模型化患病率的探索性地理聚类，而残差空间自相关随邻接定义变化；高–高聚类分区与其余分区之间的镉、铅中位数比较未发现统计学显著差异。总体而言，研究结果展示了结合环境数据、空间验证和可解释机器学习用于探索性小区域健康研究的潜在价值，但中等预测性能、空间样本量有限、家庭采样不均、基于模型的糖尿病结局以及横断面生态学设计要求谨慎解读。未来研究应优先采用独立临床结局、代表性环境采样、纵向暴露信息和更大地理范围的外部验证。
